Escolar Documentos
Profissional Documentos
Cultura Documentos
Públicas de
Inteligência Artificial
Guia de Contratações
Públicas de
Inteligência Artificial
Clara Langevin
Project Lead, AI/ML, C4IR Brasil
MEMBROS FUNDADORES
PARCEIROS INSTITUCIONAIS
Vice-Presidente
Fernando Silveira
Associação Brasileira da Indústria de Tecnologia para Saúde
Membros
Eduardo Lopes
Meta
Francisco Soares
Qualcomm
Igor Calvet
Agência Brasileira de Desenvolvimento Industrial, Governo Federal
Jackline Conca
Subsecretária de Inovação e Transformação Digital,
Ministério da Economia, Governo Federal
Julio Silvestre
Bracell
Liedi Bernucci
Instituto de Pesquisas Tecnológicas, Estado de São Paulo
Milene Coelho
Astrazeneca
Paulo Alvim
Secretaria de Empreendedorismo e Inovação, Ministério da Ciência,
Tecnologia e Inovações, Governo Federal
Saul Mendonça
Eletrobras
Licença
Este material pode ser citado, adaptado e compartilhado por qualquer meio ou
formato, desde que para fins não comerciais e com indicação de seus autores.
Prefácios____________________________________________________________________________________7
República Federativa do Brasil . ........................................................................................................... 7
Estado de São Paulo . ............................................................................................................................ 8
Fórum Econômico Mundial .................................................................................................................. 9
Sumário Executivo_______________________________________________________________________ 11
1. Introdução_____________________________________________________________________________ 13
1.1. O que é o AI Procurement in a Box?.......................................................................................... 14
1.2. Por que criar uma versão brasileira?......................................................................................... 16
Bibliografia_______________________________________________________________________________ 85
Agradecimentos__________________________________________________________________________ 90
Considerando ambos esses aspectos, o Fórum Econômico Mundial desenvolveu um manual para
auxiliar o setor público a contratar inteligência artificial mitigando potenciais impactos negativos:
o AI Procurement in a Box. Inspirado nesta iniciativa, o C4IR Brasil resolveu expandir o trabalho
original, adaptando-o ao contexto brasileiro. O presente Guia de Contratações Públicas de IA,
portanto, visa auxiliar gestores públicos a navegar a complexa seara de contratações públicas de
IA, apresentando 10 diretivas que reúnem, de forma pragmática, as principais recomendações e
boas práticas internacionais:
Procedimentos de
10 contratação orientados
à inovação 2
Igualdade de tratamento
dos fornecedoes Avaliar o custo-benefício do
uso de IA no setor público
9
3
Transferência de
conhecimento e avaliação Alinhamento com estratégias
de riscos no longo prazo nacionais e locais de IA
8 4
Transferência do algoritimo Incorporar a legislação
e na tomada de decisões e boas práticas aplicáveis
à solução
7
Equipe diversa e 5
multidisciplinar 6 Acessibilidade técnica
dos dados necessários
Avaliar a qualidade,
ao uso de IA
viesesve preconeceitos
dos dados disponíveis
2. Metrô de São Paulo. O caso do Metrô de São Paulo destaca os aprendizados obtidos a
partir da aplicação das diretivas do Fórum a um processo de contratação pública no Bra-
sil. Por meio de uma encomenda tecnológica, o Metrô busca desenvolver o Sistema de
Monitoramento da Via Permanente (SMVP), o qual utiliza algoritmos de IA para detecção
proativa e preditiva de danos a trilhos e trens da rede metroviária, otimizando as rotinas
de manutenção e evitando interrupções desnecessárias aos passageiros. Dentre as várias
lições aprendidas, destacam-se a importância da realização de estudos preliminares, com
o exame técnico aprofundado do problema, do mapeamento de riscos e impactos algo-
rítmicos, da estruturação de grupos multidisciplinares, com atribuições específicas, e da
formação de um comitê técnico de especialistas para assessorar o Metrô de São Paulo
durante o processo de contratação.
O presente Guia, fruto dessas contribuições e consolidação desses aprendizados, é formado por
cinco capítulos. O primeiro corresponde à introdução. O segundo capítulo traça um panorama
do emprego de IA pelo setor público no Brasil, realizando um estudo comparativo e uma revisão
da literatura recente para revelar os principais desafios e oportunidades do setor. A terceira parte
apresenta as dez diretivas do Fórum Econômico Mundial, situando-as no contexto brasileiro e for-
necendo orientações para sua implementação no país. O quarto e o quinto capítulos dedicam-se,
respectivamente, à narrativa dos estudos de caso do HCFMUSP e do Metrô de São Paulo, mos-
trando como a implementação das diretivas do Fórum deu-se na prática, em projetos distintos,
nessas duas organizações.
Com isso, espera-se que o presente Guia de Contratações Públicas de IA seja útil ao gestor público
interessado na contratação de tecnologias disruptivas, fornecendo recomendações e orientações
para que a Administração Pública brasileira possa auferir o maior benefício possível das ferramen-
tas de IA com ética e responsabilidade.
É imenso o potencial que as tecnologias de inteligência artificial (IA), tais como aprendizado
de máquina, redes neurais e aprendizagem profunda, apresentam para aumentar a produ-
tividade do setor público, estimulando a economia e melhorando o seu desempenho em
tarefas típicas de Estado. É o caso, por exemplo, do uso de atendimento virtual automatizado
(“chatbots”) para expandir o atendimento a cidadãos em serviços públicos ou da aplicação de
grandes dados (“big data”) para monitorar, planejar e fiscalizar a execução de políticas públicas.
Entretanto, os riscos inerentes ao emprego dessas tecnologias podem ser difíceis de prever
- principalmente em órgãos e entidades que ainda não possuem capacidades institucionais
adequadas à implementação de sistemas de IA. A despeito de algumas iniciativas relevantes
nessa área, os governos frequentemente sofrem as consequências da falta de recursos e de
quadros qualificados para acompanhar a contratação e o desenvolvimento de soluções de
IA, o que atrasa a difusão dessa tecnologia no setor público e compromete o seu emprego.
Sem orientações claras sobre como garantir responsabilidade, transparência e aplicabilidade
no uso ético dos algoritmos, a sua aplicação em larga escala pelos governos pode agravar
riscos, provocar danos e abrir espaço para outras consequências negativas decorrentes do
emprego de IA.
Por isso, é importante que o setor público se prepare, investindo na construção de práticas
responsáveis para a aquisição de IA e no desenvolvimento de centros de experiência com-
partilhada e capacidades institucionais adequadas. Do mesmo modo, a existência de regras
claras e transparentes sobre os processos de contratação nivelam a competição privada,
permitindo que as grandes do setor de tecnologia (“big techs”) e pequenos fornecedores de IA,
como empresas iniciantes (“startups”) e PMEs, possam concorrer em igualdade de condições
Para tanto, o C4IR Brasil buscou adaptar as lições aprendidas no cenário internacional às
particularidades da legislação brasileira, com especial atenção ao marco legal que rege as
compras públicas e aos atos normativos que regulam a proteção de dados pessoais. Essa
tarefa foi facilitada:
• Pela realização de dois novos pilotos no Brasil, no Hospital das Clínicas da Facul-
dade de Medicina da Universidade de São Paulo (HCFMUSP) e no Metrô de São
Paulo, com o intuito de demonstrar como as diretivas do AI Procurement in a Box
podem ser implementadas na prática.
• Pelo apoio da Rede de Especialistas do C4IR Brasil, formado por representantes
do setor público, setor privado, sociedade civil e academia, em diversas oficinas
de co-criação e validação realizadas entre agosto e dezembro de 2021.
A regulação de IA, por isso, é uma discussão sobre confiança na própria tecnologia. Nessa
linha, um mapeamento realizado pela Organização para a Cooperação e Desenvolvimento
Econômico (OCDE) sobre políticas e estratégias nacionais de IA revelam que o tema é consi-
derado estratégico pela maioria das nações estudadas, com aproximadamente 700 iniciativas
relacionadas à governança de IA no setor público
1 Por exemplo, o Projeto de Lei nº 869/2019 do Estado de São Paulo, que obrigava a instalação de câmeras para reco-
nhecimento facial em trens do Metrô e da CPTM, gerou forte reação contrária por parte da sociedade civil e restou, ao
final, sendo vetado pelo Governador do Estado.
O Brasil já faz parte deste grupo. Tanto a Estratégia de Governo Digital, de 2020, quanto a
Estratégia Brasileira de Inteligência Artificial (EBIA), de 2021, preveem ações para difundir
o uso de IA no setor público brasileiro, como se verá adiante. A IA é uma das mais relevantes
tecnologias de uso generalizado (general-purpose technologies), com impacto transversal em
toda a economia (Trajtenberg, 2018) e imenso potencial para o Brasil, tal como recomendado
pela OCDE em estudo dedicado, especialmente, à transformação digital do setor público
(OCDE, 2018). Entretanto, a complexidade e o gigantismo inerentes à estrutura burocrática
da Administração Pública mostram que o caminho é longo, e que ainda há muito por avançar.
Em paralelo, está em debate no Congresso Nacional o Projeto de Lei nº 21/2020, que pre-
tende estabelecer o Marco Legal da Inteligência Artificial no Brasil. O texto foi aprovado
pela Câmara dos Deputados em 29 de setembro de 2021 e deve ser votado pelo Senado em
2022. Entretanto, embora busque estabelecer princípios, direitos, deveres e instrumentos
de governança para a IA para o seu uso no poder público, empresas, entidades diversas e
pessoas físicas, o texto proposto é bastante vago e deixa em aberto como esses objetivos
serão implementados e alcançados.
Este capítulo realiza uma revisão de literatura sobre o emprego de IA no setor público brasi-
leiro, com o objetivo de compreender como a tecnologia é adquirida, como é feita na prática
a sua governança e quais são os principais riscos que o atual estado da arte encerra. Esse
contexto servirá de base para a adaptação das diretrizes do Fórum Econômico Mundial sobre
contratações públicas de IA para o Brasil, no Capítulo 3 deste estudo.
públicas que expliquem, com detalhes, os casos de uso de IA que já estão em aplicação no
Brasil. Isso prejudica uma análise quantitativa do uso dessa tecnologia no contexto brasi-
leiro e explica a opção, adotada neste estudo, de complementar a revisão bibliográfica com
entrevistas semi-estruturadas realizadas com representantes de alguns órgãos e entidades
públicas que adotaram essa tecnologia. Por sua vez, o item 2.2 discute a complexidade da
decisão fazer-ou-comprar (“make-or-buy”) para aplicações de IA e traz algumas considerações
relevantes sobre a insuficiência da supervisão humana (“human-in-the-loop”) na mitigação de
riscos e, também, acerca da importação, pelo Brasil e outros países do Sul Global, de algo-
ritmos desenvolvidos em outros países.
A tabela a seguir relaciona alguns casos de uso de IA e tecnologias associadas no setor público
brasileiro, com diversos níveis de complexidade, merecendo destaque para o protagonismo
dos Tribunais e dos órgãos de controle.
Fonte: elaboração própria, com base em Costa e Bastos (2020), Jambeiro Filho (2015), Engelmann, Lietz e
Dahlem (2020), Lemes e Lemos (2020), o Produto III da Consultoria da EBIA (2019), Transparência Brasil
(2020), Ceweb (2021) e informações disponibilizadas na imprensa.
Total 28 16 44
A análise dos casos de uso identificados pela Transparência Brasil permitiu a realização de
um mapeamento dos riscos específicos associados a cada tipo de ferramenta, agrupados
em três grandes categorias: (i) ferramentas para apoio à tomada de decisão direcionadas
para os próprios órgãos públicos; (ii) ferramentas de decisão que interagem diretamente
com o público externo, como assistentes de atendimento virtual (chatbots, p.e.); e (iii) ferra-
mentas para aperfeiçoamento de processos internos, sem tomada de decisão, voltadas à
simplificação de processos internos e racionalização de demandas internas à Administração
(Transparência Brasil, 2020, pp. 8-13).
O primeiro grupo é o mais extenso (20 ferramentas) e também o mais sensível, pois envolve
o emprego de IA em decisões que podem gerar impactos a direitos fundamentais ou afetar o
acesso a políticas públicas e serviços públicos. Aqui, há o risco de que o banco de dados ou os
critérios utilizados pelo algoritmo possam levar à reprodução de discriminação social pré-exis-
tente, perpetuando preconceitos. Por isso, quanto maior a sensibilidade, sob o ponto de vista
ético, mais intenso deve ser o grau de interpretabilidade e de explicabilidade do algoritmo.
Por fim, o terceiro grupo (16 ferramentas) é o que envolve, relativamente, o menor grau de
risco. Isso porque diz respeito especialmente à melhoria de processos administrativos internos,
embora também seja necessário aprimorar a observância de protocolos de transparência.
Outra iniciativa setorial importante - e que ganhou ainda mais destaque e relevo com a
pandemia de COVID-19 - é o uso de IA na saúde pública. Embora a tecnologia possa dar
origem a novos métodos de tratamento e de diagnóstico, a predominância do tratamento
de dados pessoais sensíveis - uma categoria especialmente protegida pela legislação (art.
5º, inciso II e 11, LGPD) - eleva consideravelmente os riscos associados ao setor. Por esse
motivo, privacidade, responsabilidade, transparência e inclusão são fatores que devem ser
considerados em qualquer projeto envolvendo IA na área da saúde, como será aprofundado
no Capítulo 4 e no Quadro 1, abaixo.
O RadVid-19 foi uma iniciativa do Hospital das Clínicas da Faculdade de Medicina da Universi-
dade de São Paulo (HCFMUSP) apoiada pelo Colégio Brasileiro de Radiologia (CBR), que teve a
finalidade de coletar exames de Raios-X e Tomografias Computadorizadas de casos confirmados
ou suspeitos de infecção pelo novo coronavírus. A plataforma criou um repositório de casos
de COVID-19 no Brasil, promovendo também o emprego de algoritmos de IA para auxílio à
decisão clínica, com a finalidade de tornar este diagnóstico mais rápido e preciso e, no caso de
tomografia, automatizar dados quantitativos sobre o acometimento da doença.
Em parceria com o IdeiaGov, o centro de inovação aberta do Estado de São Paulo, foi publicada
uma chamada pública para encontrar soluções que conseguissem atender ao desafio RadVid-19,
apoiando o desenvolvimento de soluções inovadoras para diagnóstico de Covid-19 por meio de
imagens de exames de Raios-X e Tomografias Computadorizadas de tórax.
1. Exploração inicial. A definição de um escopo claro no início do projeto foi fundamental para
que todos os atores envolvidos tivessem clareza do problema a ser enfrentado, definido
por meio de diversas reuniões com as equipes médicas e técnicas do Hospital das Clínicas.
2. Definição dos requisitos da solução. Para garantir que a solução pudesse ser imple-
mentada com sucesso, foi fundamental que a chamada pública avaliasse, sob o ponto
de vista técnico, não só a empresa desenvolvedora, mas também a acurácia e a precisão
do algoritmo para a detecção de casos de COVID-19.
3. Estrutura do desafio. O desafio foi estruturado em quatro etapas: (i) inscrição virtual;
(ii) disponibilização de dados para treino e teste em uma plataforma criada pelo próprio
hospital, uma vez que se tratava de uma doença nova, sem bancos de dados públicos
disponíveis; (iii) duas fases de teste, para conseguir captar a performance do algoritmo
em duas bases diferentes e diminuir a chance de “overfitting” (i.e. situações em que o
modelo é pouco generalizável, com bons resultados na base de teste, mas com desem-
penho ruim em outras bases); (iv) auditoria dos algoritmos, para verificar se as soluções
testadas eram realmente aquelas inscritas pelos participantes.
6. Piloto. Após a seleção, três proponentes passaram a fazer parte de um piloto dentro do
Hospital das Clínicas, entre novembro de 2020 até abril de 2021. Durante este período,
foram monitoradas as soluções em produção, considerando mais uma vez critérios
relacionados à performance do algoritmo e das empresas.
7. Celebração de Acordo de Parceria para PD&I. Ao final, as duas empresas com melhor
desempenho durante o piloto celebram um Acordo de Parceria para Pesquisa, Desen-
volvimento e Inovação com o Hospital das Clínicas para dar continuidade ao desenvol-
vimento de suas soluções.
Trata-se de projeto extenso, iniciado em maio de 2020 e ainda em execução na data de publicação
deste estudo, e que conta com a colaboração de diversos parceiros, tais como Fundação Novar-
tis, Grupo Tellus, AWS, Deloitte, GE Healthcare, Siemens Healthineers, Itaú, Huawei, Petrobrás,
CBR, SPR, Grupo Fleury, Hospital Sírio Libanês, Secretaria de Desenvolvimento Econômico do
Estado de São Paulo e Banco Interamericano de Desenvolvimento.
Fonte: elaboração própria, a partir de informações da equipe do HCFMUSP. A chamada pública do RadVid-19 está
disponível em https://ideiagov.sp.gov.br/tag-desafios/saude/. Acesso em 15/11/2021.
Este item aprofunda o segundo ponto e mostra que a prevalência de sistemas de IA desen-
volvidos in house não é exclusividade do setor público brasilero. Por exemplo, o relatório
“Government by Algorithm” analisou o uso de IA em 142 agências da Administração federal
dos EUA (Engstrom et al., 2020) e concluiu que mais da metade das soluções mapeadas (84
casos de uso, ou 53%) foram desenvolvidas internamente (Engstrom et al., 2020, p. 18). Mas
esse diagnóstico não significa que o governo americano já possua capacidades institucionais
e quadros qualificados para projetar, desenvolver, implementar, auditar e monitorar sistemas
de IA. A literatura, aliás, aponta o contrário e recomenda ações de capacitação e a forma-
ção de centros de competência, formados por especialistas, para o compartilhamento de
conhecimentos técnicos com toda a Administração dos EUA (Rubenstein et al., 2021, p. 35).
80
NUMBER OF USE CASES
70
60
50
40
30
20
10
0
In-House Commercial Non-Commercial Data
Contractor Coltaboration Unavailable
DEVELOPER TYPE
Também no Brasil, portanto, parece seguro afirmar que a contratação pública não tem sido o
veículo principal para a introdução de soluções de IA pelo governo. Embora não seja possível
apontar a causa predominante para esse contexto, há vários fatores que explicam porque
os desenvolvimentos in house prevalecem no setor público:
Essa trilha, contudo, deixa de aproveitar o potencial que o poder de compra do Estado repre-
senta para o desenvolvimento ético de IA. Com efeito, a aquisição de soluções de prateleira
pode aumentar a opacidade de algoritmos, pois os quadros do setor público frequentemente
não possuem o nível de capacitação necessário para acompanhar o projeto em igualdade
com o fornecedor, causando um possível efeito de “terceirização” das decisões sobre o fun-
cionamento do algoritmo aos empregados do contratado (Mulligan e Bamberger, 2019).
A tabela a seguir exemplifica algumas das falhas que a supervisão humana pode apresen-
tar para a governança de sistemas de IA, comprometendo o seu papel para a mitigação de
riscos algorítmicos:
2 Neste Guia, assim como no projeto original do Fórum Econômico Mundial, os termos “interpretabilidade” e “explica-
bilidade” são utilizados com bastante frequência e em alguns contextos, indistintamente. No entanto, em um ambiente
acadêmico, essas duas palavras podem ter significados distintos. De acordo com Rudin (2019), a interpretabilidade se
refere a uma ferramenta de IA que pode ser facilmente compreendida por pessoas que não o programaram (sem o conhe-
cimento técnico para interpretar o algoritmo), e a explicabilidade se refere a uma ferramenta que exige um mecanismo
específico para ser compreendido (XAI e avanços como o Google DeepMind), como é no caso de algoritmos de caixa preta.
A confiança excessiva nos resultados gerados pelos algoritmos pode tornar inútil
Automation bias a supervisão humana e a atuação do human-in-the-loop, exigindo estratégias de
mitigação e mecanismos adicionais de monitoramento da solução de IA.
Por fim, vale um comentário final sobre a importação de sistemas de IA - o que aproxima, em
algum grau, o Brasil à condição de muitos países da América Latina e do Sul Global. Chinmayi
Arun (2019) chama a atenção para o fato de que muitas soluções comerciais envolvendo IA e
aprendizado de máquina são desenvolvidas no Norte Global, com base em bancos de dados
representativos dessas populações, mas que não são necessariamente representativos das
populações de países em desenvolvimento. Essas distorções geram desafios éticos, com
necessidade de customização adequada dos sistemas aos contextos locais (por exemplo,
um algoritmo de reconhecimento facial treinado em fotos da população do Rio Grande do
Sul não pode ser simplesmente copiado em sua implementação em Salvador), bem como
suscitam preocupações voltadas a viabilizar o acesso de startups, PMEs e empresas nacio-
nais em países onde o mercado de TI é menos estratificado. Ademais, certos segmentos da
sociedade, como pessoas que não dispõem de acesso à internet e não possuem identidade
virtual, podem ser completamente excluídas do provimento de um serviço ao qual teriam
acesso em caso de atendimento não-automatizado.
Isto não quer dizer que algoritmos desenvolvidos no estrangeiro não devam ser usados no
cenário brasileiro, mas mostra que conhecer as melhores práticas internacionais e reproduzi-
-las em seu contexto não é suficiente. Mbayo (2020) cita tecnologias como o Processamento
de Linguagem Natural (Natural Language Processing) como exemplo da tensão norte-sul
global no uso de IA, e menciona a iniciativa do governo indiano em promover a tradução
automatizada de conteúdos em inglês para os 29 idiomas nacionais da Índia. Nessa linha,
também o Brasil e outros países do Sul Global precisam investir na formação de quadros
qualificados e no desenvolvimento de capacidades institucionais para poder identificar riscos
específicos que a IA pode apresentar em seu contexto, internalizando-os nas várias etapas
do processo de contratação.
• Agentes públicos com atuação nas áreas de licitações e contratações ou que necessi-
tem elaborar modelos de editais, contratos e outros documentos técnicos adaptados
a objetos relacionados à IA;
As diretivas foram enunciadas a partir de discussões com uma comunidade ampla e plural,
formada por especialistas e representantes de governos, setor privado, sociedade civil e
academia. Note que essas dez recomendações não pretendem resolver todos os desafios
decorrentes da adoção de IA no setor público, mas buscam endereçar a discussão de uma
série de considerações éticas, jurídicas e institucionais que devem ser avaliadas pela Admi-
nistração antes do emprego de soluções de IA.
1 7
Acordos de Pregão
parceria para
PD&I
P&D TI
2 6
Concursos de Licitações “técnica e
inovação preço” ou “melhor
(”innovation prizes”) técnica”
3 4 5
Marco Legal Encomenda Diálogo
de Startups tecnológica competitivo
3 Cabral et al. (2006, p. 517), Edler e Georghiou (2007, p. 960), Edquist e Zabala-Iturriagagoitia (2012, p. 1766), Edquist
et al. (2015, p. 13)
4 Em outras palavras, “(...) the function to be achieved should be defined, instead of defining the product to achieve it.
This is a way to develop the creativity and innovativeness of the potential supplier” (EDQUIST et al., 2015, p. 13). “We have
argued that regular procurement has nothing to do with innovation; that is, it is not an innovation policy instrument”
(EDQUIST; ZABALA-ITURRIAGAGOITIA, 2012, p. 1767).
Daí a vantagem da encomenda tecnológica, adotada recentemente pelo TCU para o desen-
volvimento de um módulo de instrução processual assistida que detecte significado nas
peças processuais, priorize análises com jurimetria e forneça modelos de documentos aos
membros do tribunal.
Descrição do
X X X X X X X X
objeto
Obrigações
X X X X X X X X
contratuais
Qualificação
X X X X X X X X
técnica
Amostras ou
provas de X X X X X X X X
conceito
Menor preço X X X X X X X X
Melhor
técnica ou
X X X X X X
conteúdo
artístico
Técnica e
X X X X X X
preço
Maior
retorno X X X
econômico
Maior
X X X X
desconto
Remuneração
X X X
variável
O pregão pode ser uma opção para a aquisição de soluções tecnológicas consolidadas no
mercado ou para contratar bens e serviços de prateleira, como recomenda a jurisprudên-
cia do TCU (Acórdão nº 2.471/2008-Plenário, Acórdão nº 1.274/2010-Plenário, Acórdão nº
297/2011-Plenário, p.e), o Guia de Boas Práticas em contratação de soluções de Tecnologia
da Informação, do mesmo tribunal, e a Instrução Normativa SEGES/ME nº 01/2019. O pregão
pode ser útil para acelerar a adoção de soluções já inseridas no mercado, contribuindo para
a difusão do seu uso nas três esferas de governo. Contudo, parece incontroverso que essa
modalidade - voltada justamente à contratação de “bens e serviços comuns”, i.e. aqueles que
possuem padrões de desempenho e de qualidade objetivamente definidos, com base em
especificações usuais de mercado (art. 1º da Lei nº 10.520/2002) - corresponde ao cenário
mais limitado possível para a contratação de soluções de IA, que possuem características e
padrões de desempenho muito diversificados e heterogêneos.
Diretiva 1 l Princípios
1a. O emprego de procedimentos de contratação pública de inovação favorece o desenvol-
vimento conjunto de sistemas de IA e facilita a sua aquisição pela Administração.
- Caso seja necessário licitar sob as modalidades tradicionais, submeter o Estudo Técnico Preliminar, o
Projeto Básico ou o Termo de Referência à consulta pública pode ser uma oportunidade para reduzir
a assimetria de informações, identificar requisitos e exigências polêmicas, e permitir um momento
de diálogo prévio com fornecedores sobre o objeto a ser contratado. Pode, também, propiciar a par-
ticipação dos fornecedores na co-criação de especificações da solução e outros elementos técnicos,
aumentando a aderência da contratação futura com as expectativas do mercado.
- A realização de Provas de Conceito (PoC), quando possível, pode ser uma estratégia para mitigação
de riscos, à luz do problema técnico que a contratação pública almeja resolver.
- Por vezes, um grande projeto envolvendo o uso de IA no setor público pode ser dividido em contratos
menores. Essa cisão, quando viável tecnicamente e factível sob o ponto de vista da gestão contratual,
atende ao princípio do parcelamento do objeto (Súmula 247 do TCU) e contribui para aumentar a
base de fornecedores da Administração, especialmente startups e PMEs. Neste caso, ganha mais
relevância a exigência de provas de conceito (Proof of Concept ou PoC) na escolha dos fornecedores,
de modo a mitigar os potenciais riscos associados às soluções contratadas.
1b. A Administração deve dedicar mais tempo e atenção ao problema a ser resolvido do que
à descrição detalhada das especificações técnicas de uma solução de IA.
- As tecnologias baseadas em IA estão se desenvolvendo rapidamente, com novas soluções sendo cons-
tantemente introduzidas no mercado. Ao concentrar-se na descrição dos problemas e desafios a serem
enfrentados, o Poder Público poderá avaliar com mais clareza qual tecnologia é mais apropriada, bem
como perceber se o foco do projeto está em resolver a causa do problema ou apenas um sintoma.
- Para objetos muito complexos, promover oficinas e seminários abertos para discussão pública da
solução de IA pode contribuir muito para guiar a Administração na elaboração do Estudo Técnico
Preliminar, do Projeto Básico ou do Termo de Referência. Priorizar a inovação aberta é essencial, pois
atores de contextos variados, como academia, setor privado e outros entes públicos contribuem com
pontos de vista distintos sobre o mesmo problema.
1c. Adotar uma abordagem iterativa, fundada na repetição de um ciclo contínuo de implemen-
tações, avaliações e aprendizados, para o desenvolvimento de soluções de IA no setor público.
- As soluções de IA e aprendizado de máquina diferem de outras tecnologias pela sua habilidade única
de aprender com o treinamento contínuo e periódico e de se adaptar a novos conjuntos de dados,
realizando classificações e elaborando modelos estatísticos para realizar previsões. Essa adaptabi-
lidade precisa se refletir em graus maiores de flexibilidade contratual, seja em relação à vigência
(prorrogações), seja em relação ao objeto (alterações quantitativas e qualitativas).
- O processo de contratação pública não se exaure com a assinatura do contrato. Pelo contrário: o
acompanhamento e a fiscalização da execução contratual - contando, sempre que possível, com a
participação de atores independentes - propiciam aprendizados de muito valor para a Administração
Pública, que geralmente possui poucos quadros qualificados para monitorar o desenvolvimento e a
aplicação de soluções de IA.
Veja, a seguir, a matriz presente no Manual de Gestão de Riscos do TCU, que combina critérios
de impacto e probabilidade para classificar riscos presentes em contratações públicas em geral:
6 8 9
Considerável Indispensável Indispensável
esforço de gerenciar e extensivo
Alto gerenciamento gerenciamento
monitorar riscos
é necessário de risco
IMPACTO
3 5 7
Riscos podem Esforço de Esforço de
Médio ser aceitos, com gerenciamento gerenciamento
monitoramento é necessário exigido
PROBABILIDADE
Diretiva 2 l Princípios
2a. Nem sempre IA será a melhor alternativa técnica para o caso concreto. Explique clara-
mente no Estudo Técnico Preliminar e no Termo de Referência porque o emprego de IA foi
escolhido, à luz de outras alternativas técnicas, para solucionar o problema da Administração.
- A contratação de um sistema de IA deve ser embasada na análise das alternativas tecnológicas apre-
sentadas durante o planejamento da contratação. Procedimentos como a Encomenda Tecnológica, o
Diálogo Competitivo e o Contrato Público para Solução Inovadora (CPSI) admitem maior flexibilidade na
definição do objeto e podem justificar a incorporação de tecnologias alternativas no escopo do contrato.
- Descreva claramente no processo as diligências adotadas pela Administração para analisar o mercado
e conhecer eventuais alternativas técnicas disponíveis para solucionar o problema. Isso será útil para
demonstrar à fiscalização dos órgãos de controle que o órgão ou ente contratante agiu com diligência
no planejamento da contratação.
- As capacidades institucionais do órgão ou ente público para a inovação precisam ser levadas em
conta, bem como a existência de quadros qualificados para acompanhar uma eventual contratação
pública de IA, desde o seu planejamento até a execução contratual.
- Documentar as necessidades do usuário final é importante para o sucesso da contratação, pois pos-
sibilita a descrição das funcionalidades desejadas no edital, permitindo uma comunicação adequada
aos fornecedores de IA.
- Com relação aos sistemas de IA, o benefício público vai além da relação custo-benefício e também
inclui considerações sobre a transparência do processo de tomada de decisão, escalabilidade da
solução e outros fatores que estão incluídos nestas diretrizes.
- Conduzir todo o processo de forma colaborativa, utilizando reuniões abertas, seminários e oficinas
para ouvir os atores afetados pelo problema a ser solucionado pela IA.
- Publicar, sempre que não houver sigilo, a decisão que justifica a melhor alternativa e define a neces-
sidade da Administração, conferindo publicidade aos critérios empregados na escolha da IA.
2c. Realizar uma avaliação inicial dos riscos e dos impactos decorrentes do uso IA ainda na
fase de planejamento prévio da contratação, atualizando-a sempre que necessário ao longo
do processo.
- Coordenar os diversos órgãos envolvidos na contratação pública de IA desde o início (p.e., gestão de
contratos, orçamento e finanças, assessoria jurídica), mantendo-os atualizados de todo o procedimento
e definindo com clareza os momentos em que cada um será chamado a exercer suas atribuições.
- Conduzir uma análise comparada com outras Administrações Públicas, nacionais e no exterior, e com
base na literatura acadêmica, de modo a antever potenciais problemas do emprego da tecnologia
desejada, recorrendo, se for o caso, à contratação de auditorias específicas.
- A AIA é o ponto de partida para avaliar possíveis consequências danosas, intencionais ou não, decor-
rentes da tecnologia. Considere que o uso de IA para tomada de decisões automatizadas ou semi-au-
tomatizadas aumenta, relativamente, o grau de risco potencial associado ao sistema e pode exigir
um grau maior de interação com mecanismos de revisão, supervisão humana (human-in-the-loop) e
outras salvaguardas.
O mapa abaixo ilustra a forte desigualdade entre países do norte e do sul global na matu-
ridade para emprego de IA e no desenvolvimento de novas tecnologias, comprometendo
avanços no setor:
5 Para mais informações sobre o mapeamento mundial de estratégias nacionais de IA (atualizado até 2019), confira
a página do Observatory of Public Sector Innovation, da OCDE, neste link: https://oecd-opsi.org/projects/ai/strategies/
Acesso em 30/09/2021.
Com base nos Princípios da OCDE sobre Inteligência Artificial, o Brasil publicou a sua Estra-
tégia Brasileira de Inteligência Artificial (EBIA), instituída pela Portaria MCTI GM nª 4.617, de
6 de abril de 2021, e alterada pela Portaria MCTI GM nº 4.979, de 13 de julho de 2021. A EBIA
pretende contribuir para o desenvolvimento de uma agenda de IA no Brasil, apresentando
nove eixos temáticos que estruturam as intervenções e as ações estratégicas para vencer os
desafios e gargalos diagnosticados no documento. Para tanto, a elaboração do documento de
referência da EBIA contou com o apoio de uma consultoria especializada, que realizou estu-
dos de benchmarking nacionais e internacionais, e um amplo processo de consulta pública.
A maioria dessas ações foi incluída no eixo horizontal “Aplicação no Poder Público”, da EBIA.
Aqui, além de ações voltadas à contratação pública de soluções de IA, merece destaque medi-
das voltadas à promoção do uso ético de IA no setor público, intercâmbio de dados abertos e
capacitação de quadros para o desenvolvimento de capacidades institucionais.
Atualmente, o Ministério de Ciência, Tecnologia e Inovações (MCTI), com o apoio das instituições
públicas e privadas que integram os Subcomitês Temáticos da EBIA, está elaborando iniciativas
concretas para a aplicação de cada eixo temático da Estratégia, com vistas a aprimorar a sua
governança e o seu potencial para o desenvolvimento de IA no Brasil.
Outra estratégia governamental que pode influenciar o uso da IA no setor público é a Estra-
tégia de Governo Digital (EGD), aprovada pelo Decreto nº 10.332, de 28 de abril de 2020.
A EGD é liderada pela Secretária de Governo Digital do Ministério da Economia e tem por
foco expandir a digitalização da oferta de serviços públicos ao cidadão (em especial, pelo
portal gov.br), bem como favorecer o compartilhamento de dados e a adoção de tecnologias
emergentes no setor público.
O emprego de IA é citado expressamente na iniciativa 8.2 da EGD, que busca“ (...) implementar
recursos de inteligência artificial em, no mínimo, 12 serviços públicos federais, até 2022.” Além
disso, existem várias ações voltadas à facilitação do uso de dados para projetos de digitali-
zação do governo (e-government), inclusive para IA, até o fim de 2022.
Diretiva 3 l Princípios
3a. Consultar as iniciativas governamentais relevantes, tais como estratégicas nacionais
de IA, inovação e/ou estratégias industriais, e documentos de orientação de ministérios e
departamentos que informam as políticas públicas sobre tecnologias emergentes.
- O alinhamento com a EBIA pode oportunizar acesso a uma ampla rede de especialistas envolvidos com
a agenda de IA, bem como contribuir para a formação de uma comunidade de prática em torno do
tema no Brasil. Esse acesso pode propiciar economias de escala e de escopo ao aglutinar demandas
por sistemas de IA provenientes de entes públicos distintos.
3b. Entrar em contato com órgãos e entes públicos, nas esferas federal, estadual e municipal,
que já contrataram ou desenvolveram sistemas de IA ou que se dedicam à promoção dessa
agenda no Brasil, estreitando laços para compartilhar experiências.
- A formação de parcerias, mesmo informais, entre instituições públicas deve ser incentivada, pois
favorece a troca de experiências e o compartilhamento de conhecimentos técnicos ainda escassos
no setor público.
- Associada a uma comunidade de prática, a criação de plataformas e de redes de gestores são excelentes
medidas para permitir a troca de informações, experiências e melhores práticas sobre a contratação
de soluções de IA no Brasil.
Em vigor desde 18 de setembro de 2020, o texto da LGPD foi fortemente inspirado na regu-
lação vigente na União Europeia, o Regulamento Geral de Proteção de Dados (GDPR, em
inglês), aprovado pelo Regulamento UE nº 679/2016 do Parlamento Europeu e do Conselho.
A LGPD prevê hipóteses que autorizam o tratamento de dados pessoais (“bases legais de
tratamento”), bem como alguns casos em que a própria legislação não se aplica (como nos
casos de “dados anonimizados” e de tratamentos realizados para finalidades voltadas a
“segurança pública” ou “defesa nacional”).
Fonte: SERPRO.
O consentimento do titular é uma dessas bases legais (art. 7º, I e art. 11, I, LGPD), mas não
é a única e nem é superior às demais. Não será necessário obter autorização específica de
cada titular quando o tratamento estiver enquadrado em alguma das hipóteses em que a
própria lei dispensa o consentimento (art. 7º, II a X; e art. 11, II e art. 23, LGPD), observados
os princípios do art. 6º6 e os deveres de informação, comunicação e transparência entre ope-
rador, controlador, titulares e a Autoridade Nacional de Proteção de Dados (ANPD).
6 Especificamente: finalidade, adequação, necessidade, livre acesso, qualidade dos dados, transparência, segurança,
prevenção, não discriminação, responsabilização e prestação de contas (art. 6º, LGPD).
A LGPD tem impacto no uso de IA, principalmente em algoritmos que processam dados pes-
soais. De fato, eventuais riscos à proteção de dados pessoais devem ser considerados tanto
nos relatórios de impacto de proteção de dados (RIPDs) previstos na LGPD (art. 10, §3º e 38),
quanto nas Avaliações de Impacto Algorítmico (AIA), integrando o mapeamento de riscos
da contratação. Ademais, a transferência, interoperabilidade e a necessária interface com
políticas internas e externas de governança de dados pessoais torna evidente o elo entre a
LGPD e a contratação de sistemas de IA, em que frequentemente o fornecedor assumirá a
posição de operador de dados pessoais e o Poder Público, a de controlador.
Além da LGPD, o Brasil já possui algumas regulações setoriais relevantes para a contratação
de IA em áreas específicas. Por exemplo, na área da saúde, merecem destaque a Política
Nacional de Informação e Informática em Saúde (PNIIS), consolidada pela Portaria GM/
MS nº 1768, de 30 de julho de 2021, bem como a Lei nº 13.989, de 15 de abril de 2020, que
autorizou a telemedicina durante a pandemia de COVID-19. Além disso, o Conselho Nacional
de Justiça (CNJ) editou a Resolução CNJ nº 332, de 21 de agosto de 2020, que dispõe sobre
critérios éticos e de governança para produção e uso de IA no Poder Judiciário. Segundo o ato
normativo, o emprego de ferramentas de IA em decisões judiciais deve preservar igualdade,
não discriminação, pluralidade e solidaridade, criando condições para eliminar ou minimizar
erros de julgamento decorrentes de vieses discriminatórios de qualquer natureza.
Diretiva 4 l Princípios
4a. Realizar uma revisão completa e abrangente de toda a legislação aplicável ao objeto da
contratação, incorporando ao edital ou ao contrato, conforme o caso, as medidas necessárias
ao seu cumprimento pelo contratante e pelo contratado.
- Boas práticas e recomendações (soft law) formuladas pela academia, sociedade civil e associações
empresariais também podem ser incluídas nessa revisão e influenciar positivamente na elaboração
do edital.
- No caso de Estados e Municípios, devem-se analisar também eventuais atos normativos locais que
estabeleçam requisitos ou procedimentos próprios para contratações públicas de TI.
4b. Avaliar o grau de sigilo apropriado para proteger adequadamente segredos industriais
e informações confidenciais de licitantes e contratados, adotando também práticas de segu-
rança da informação que permitam o desenvolvimento e a implantação de soluções de IA.
Em uma contratação pública, a Administração precisa deixar claro nos documentos técnicos
do edital como a hospedagem e o processamento de dados relevantes para o projeto estão
sendo realizados atualmente. A depender da sensibilidade dos dados pessoais envolvidos,
bem como de outros riscos éticos, de segurança e/ou de governança, pode ser que o desen-
volvimento interno de uma solução customizada seja mais indicado do que a contratação
de uma solução já pronta no mercado7.
Diretiva 5 l Princípios
5a. Estabelecer uma abordagem de governança de dados desde o início do processo
de contratação.
7 A depender das necessidades de hospedagem e processamento dos dados, sistemas padrão de mercado (COTS) e
soluções como IaaS (infrastructure as a service), SaaS (software as a service) ou PaaS (platform as a service) são alternativas
a serem consideradas. Sobre essa questão, o cf World Economic Forum (2020f, p. 8).
- É importante que sejam criados parâmetros para aferir a necessidade de supervisão ou intervenção
humana em soluções de IA em que o resultado de uma decisão automatizada implique em alto risco
de dano para o indivíduo.
- A disponibilidade efetiva dos dados necessários ao funcionamento da solução de IA deve ser avaliada
logo no início do processo de contratação. Para tanto, não é necessário analisar exaustivamente todas
as bases em uso na Administração Pública, mas deve-se realizar um esforço de priorização que indique
qual o grau de disponibilidade das bases que são de interesse para o projeto.
- Se as bases de dados não estiverem disponíveis ou não puderem ser aproveitadas, pode ser necessário
construí-las do zero. Para tanto, a Administração pode celebrar parcerias com ICTs e universidades,
públicas e privadas, para estudar as melhores formas de coleta, tratamento, organização e governança
mais adequadas ao caso concreto.
5c. Definir se será preciso compartilhar dados (pessoais ou não) com o fornecedor e quais
medidas serão necessárias para a salvaguarda dos interesses da Administração ao longo do
processo de contratação pública.
- Dependendo da sensibilidade dos dados envolvidos no projeto, a Administração pode optar pela
realização de provas de conceito (PoC) para que os fornecedores tenham acesso a exemplos concre-
tos dos dados disponíveis, no estado em que se encontram (as is), e possam realizar testes de suas
soluções em ambientes próximos ao real. É importante que essa amostra seja representativa do
conjunto geral de dados, sob pena de transmitir informações incorretas aos fornecedores e afetar,
consequentemente, a qualidade das propostas recebidas.
5e. Confirmar que a Administração manterá acesso aos dados utilizados e produzidos pela
solução contratada.
- O acesso aos dados usados e produzidos pela solução de IA é fundamental para monitorar, controlar,
analisar e retificar o seu desempenho. Por isso, é importante garantir o acesso a dados brutos, proces-
sados e/ou combinados pela solução, bem como a dados de terceiros e dados abertos, especialmente
se houver a possibilidade de que essas bases não estejam disponíveis no longo prazo.
- Expirado o contrato, os fornecedores incumbentes podem negar-se a fornecer acesso total aos dados
empregados na solução de IA ou informações relativas ao funcionamento do algoritmo. Nesse caso,
o fornecedor deve justificar claramente a razão pela qual o compartilhamento deve ser restrito, indi-
cando quais informações encontram-se protegidas por segredo industrial (art. 22 da Lei de Acesso à
Informação) ou por direitos de propriedade intelectual. Note que as informações não confidenciais
devem ser fornecidas, nos termos do contrato, evitando assim a dependência tecnológica na Admi-
nistração durante o ciclo de vida da solução de IA.
Esta sexta diretiva enfoca a qualidade dos bancos de dados que alimentam a solução de IA,
especialmente sob o ponto de vista ético, para evitar o enviesamento algorítmico. O diagrama
abaixo, elaborado originalmente pela Deloitte, ilustra alguns exemplos de tipos diferentes de
vícios que podem comprometer a imparcialidade do funcionamento de uma solução de IA:
Viés Cognitivo
Recordação incorreta
Viés do Observador
O Brasil e os países da América Latina são mais frequentemente importadores do que desen-
volvedores de soluções de IA. Contudo, quando adquirida do estrangeiro, a solução pode
ter sido treinada com base em conjuntos de dados que refletem contextos étnicos e sócio-
-econômicos muito diferentes daqueles em que o algoritmo será efetivamente empregado,
gerando distorções e, consequentemente, a necessidade de retreinamento do algoritmo. Essa
consideração também é válida caso um Estado ou Município pretenda utilizar uma solução
de IA desenvolvida por outra entidade pública de contexto muito díspar, por exemplo.
Por fim, vale lembrar que a construção de bancos de dados para treinamento de algoritmos
e desenvolvimento de modelos de IA requerem quantidades expressivas de trabalho de pré-
-processamento (“pre-processing”) antes do início da fase operacional. É o caso, por exemplo,
do relato do trabalho do AI Lab, da Universidade de Brasília, voltado ao uso de IA no Poder
Judiciário brasileiro. Outras estratégias denominadas em-processamento (“in-processing”) e
pós-processamento (“post-processing”) podem ser consideradas, a partir de uma perspectiva
mais técnica, à luz do caso concreto.
No âmbito do Supremo Tribunal Federal - a Corte mais importante do país -, o AI Lab, da Uni-
versidade de Brasília, foi escolhido para desenvolver uma solução de Ia, o “Victor” para auxiliar
os servidores e magistrados a reconhecer recursos repetitivos e processos classificados como
de repercussão geral.
Em regra, os sistemas de processo eletrônico em uso nas Cortes inferiores estão sobrecarregados
de documentos escaneados, em formato PDF, com arquivos contendo vários documentos em
separado. O processamento dessas informações por meio de modelos de IA tornou necessária
a divisão de cada arquivo e o posterior agrupamento de conjuntos de páginas para identificar
cada peça em separado. Normalmente, métodos de classificação combinado texto e imagem
rendem bons resultados, porém essa abordagem resultaria em uma demanda computacional
excessiva, gerando dificuldades operacionais.
Em alternativa, o AI lab criou um método novo que emprega um novo sistema de etiquetagem
para obter o mesmo resultado com custos menores. A equipe construiu um novo conjunto de
dados públicos, chamado AI.Lab.Splitter, destinado especificamente à tarefa de segmentação
do fluxo de páginas que conta com mais de 30 mil de amostras etiquetadas.
Diretiva 6 l Princípios
6a. Avaliar previamente possíveis deficiências nas bases de dados que possam gerar reflexos
negativos para o funcionamento da solução de IA contratada.
- Sempre que possível, deve-se incentivar o emprego de dados públicos e abertos. Em se tratando de
dados revestidos de algum grau de sigilo, o edital precisa refletir os requisitos de governança de dados
aplicáveis aos fornecedores do setor público, identificando responsabilidades e prevendo ações de
mitigação de riscos ligados a vieses e discriminação algoritmica.
- Uma base de dados pode ser considerada adequada se atender aos critérios seguintes:
• Ausência de lacunas na qualidade dos dados (p.e, poucos valores ausentes de um determinado
elemento do banco de dados);
Conceptualização Accountability
e design Interpretabilidade e explicabilidade
Necessidade e proporcionalidade Consentimento informado e
Definição correta do problema de limites de privacidade
política pública e resposta Responsabilidade e
prestação de contas
8 “A segregação de funções, princípio básico de controle interno que consiste na separação de atribuições ou respon-
sabilidades entre diferentes pessoas, deve possibilitar o controle das etapas do processo de pregão por setores distintos
e impedir que a mesma pessoa seja responsável por mais de uma atividade sensível ao mesmo tempo”. Acórdão TCU nº
2829/2015, Plenário, Rel. Min. Bruno Dantas.
Por fim, vale destacar a ascensão da relevância das considerações de CSR (Corporate-Social-
-Responsibility), particularmente nos Estados Unidos e na Europa, comumente mensuradas
por meio de indicadores ESG (Environmental, Social and Governance). Em particular, a conside-
ração de “diversidade” no ambiente de trabalho é cada vez mais exigida por consumidores,
funcionários e investidores, extrapolando a preocupação tão somente com a mitigação de
impactos algorítmicos.
Diretiva 7 l Princípios
7a. É importante que o processo de contratação pública de IA favoreça a tomada de decisão
por uma equipe diversa e multidisciplinar, acumulando diferentes perfis sócio-demográfi-
cos e competências técnicas, e que seja capaz de identificar e neutralizar possíveis vieses
e estereótipos.
- Uma equipe diversificada deve abranger pessoas de diferentes gêneros, idades, etnias, deficiências,
orientações sexuais e outras características sócio-demográficas. Uma composição ampla e plural
assegura que eventuais problemas decorrentes da solução sejam abordados de diferentes ângulos,
favorecendo a sua resolução de forma ética e responsável.
- Além disso, é importante que a equipe designada pela Administração tenha clareza das atribuições
e das habilidades necessárias para acompanhar a contratação, desde o planejamento até a execu-
ção contratual. Para tanto, essas equipes devem preferencialmente incluir perfis com competências
técnicas na área-fim em que a solução de IA será aplicada (p.e., justiça, educação, segurança pública,
programas habitacionais, etc), bem como em áreas-meio, como ciência de dados, TI, contratações
públicas, ética e direitos humanos.
7b. Sob o ponto de vista do fornecedor, é importante que o contratado também reúna uma
equipe de desenvolvimento da solução de IA formada por perfis heterogêneos e que ostente
capacitação adequada.
- Caso tenha sido exigida a comprovação de capacidade técnica-operacional como requisito de habili-
tação dos licitantes em certame licitatório, a Administração deve exigir que os profissionais indicados
pelo proponente sejam, de fato, os que executarão o objeto contratado.
A tabela abaixo, elaborada pelo Fórum Econômico Mundial, apresenta um roteiro de per-
guntas que orienta o contratante sobre a importância da explicabilidade de algoritmos em
soluções de IA.
Como já dito, o Apêndice deste estudo apresenta um modelo de AIA adaptado ao contexto
brasileiro, o qual pode ser útil para auxiliar a Administração na definição de responsabilidades
e atribuições para o acompanhamento da solução de IA contratada.
Diretiva 8 l Princípios
8a. Incentivar uma cultura de responsabilidade na governança em soluções de IA.
- A Administração não pode confiar cegamente em algoritmos para justificar decisões que afetam
direitos fundamentais, sobretudo em face de possíveis efeitos discriminatórios causados pela IA no
que diz respeito ao acesso a políticas e serviços públicos. Além de incorporar a AIA ao processo de
contratação pública, é recomendável que o Poder Público realize auditorias externas independen-
tes como mecanismos de fiscalização e de certificação do cumprimento de obrigações contratuais.
Estas auditorias, idealmente, deveriam averiguar se as diferentes medidas usadas na avaliação de
algoritmos (como falsos positivo e negativo, acurácia, p.e.) apresentam números muito díspares entre
recortes sócio-demográficos diferentes.
8b. Assegurar que a tomada de decisões sobre IA seja o mais transparente possível.
- A contratação deve incentivar a explicabildade dos algoritmos contratados pelo Poder Público, incen-
tivando o emprego de linguagem simples para explicar o funcionamento da solução, de forma clara,
ao seu público-alvo.
- Existe um trade-off entre explicabilidade e a precisão em soluções de IA. Técnicas estatísticas clássicas
como “árvores de decisão” são mais simples e fáceis de se explicar, mas tem menor grau de precisão
do que modelos mais complexos, como as redes neurais. Estas, por sua vez, têm poder de previsão
bastante elevado, mas são consideradas “caixas pretas” em razão de sua opacidade e complexidade.
Esta nona diretiva destaca que a redução da assimetria informacional não se perfaz com a
entrega da solução contratada, exigindo treinamento específico e capacitação adequada
nos quadros da Administração. Essa transferência de conhecimentos sobre IA para o Poder
Público é importante para permitir a avaliação do algoritmo ao longo de toda a sua vida útil,
mesmo após o fim da vigência do contrato.
Diretiva 9 l Princípios
9a. Reconhecer que a aquisição de uma solução de IA implica em assumir um compromisso
de longo prazo com a avaliação da ferramenta ao longo de toda a sua vida útil.
- A transferência de conhecimento deve ser pensada como uma fase da gestão contratual compreendendo
diversas ações, de caráter pontual e/ou continuado, com o objetivo de capacitar adequadamente a
equipe do contratante. O objetivo é permitir que a Administração possa usar a ferramenta por conta
própria após o término da vigência do contrato. É importante que a manutenção e a auditoria da
solução possam ser realizadas independentemente do fornecedor.
9c. Solicitar ao fornecedor que disponibilize informações para uso apropriado da solução de
IA por não-especialistas.
- Permitir auditoria de ponta a ponta abrangendo as fases de modelagem, treinamento, testes, veri-
ficação e implementação do ciclo de vida do projeto. Isso permitirá um registro contínuo de infor-
mações relevantes que podem contribuir para os objetivos de interpretabilidade e explicabilidade
da solução de IA.
9d. Usar considerações éticas, sempre que possível, como critérios técnicos para avaliação
de propostas.
- A realização de provas de conceito (PoC) pode servir para analisar, com base nos critérios previstos
no Projeto Básico ou no Termo de Referência, critérios éticos relativos ao funcionamento da solução
de IA apresentada pelo fornecedor. Os licitantes devem ser capazes de descrever o roteiro lógico
de seus modelos de decisão e, também, de demonstrar o funcionamento da solução em ambiente
real, apoiando-se, se for o caso, em atestados que comprovem a prévia execução de atividades de
complexidade técnica semelhante àquelas exigidas no instrumento convocatório.
Ademais, o lock-in também precisa ser analisado sob o ângulo da portabilidade e da intero-
perabilidade dos dados envolvidos na solução da IA. É importante garantir a migração do
contrato do antigo para o atual contratado (v. Opara-Martins, Sahandi, Tian, 2016), bem
como evitar que o fornecedor incumbente aufira vantagens competitivas tão grandes que
impossibilitem a atuação de entrantes no futuro.
9 A respeito, vale lembrar que a “dependência técnica, estratégica e financeira” foi um dos argumentos usados pelo
Conselho Nacional de Justiça para suspender contrato celebrado entre o Tribunal de Justiça do Estado de São Paulo e a
Microsoft, como evidencia o voto do relator, Cons. Márcio Schiefler Fontes, no Proc. 0002582- 36.2019.200.0000.
2. O sistema já existe no
mercado ou foi desenvolvido e
customizado sob medida para o
caso concreto?
O fornecedor compreende com 3. Quais algoritmos ou técnicas
clareza qual o problema que a serão implementados por meio
Administração pretende resolver do sistema?
Escopo
por intermédio da contratação
pública, bem como os objetivos do 4. Como garantir que o sistema
projeto. não se desvie de sua finalidade
pretendida?
5. O sistema de IA é adequado ao
conjunto de dados disponíveis?
2. O fornecedor mostra a
importância da diversidade
O fornecedor é capaz de
na equipe relacionada ao
demonstrar que a sua equipe é
Habilidades da desenvolvimento do sistema de
diversa e detém as habilidades
equipe IA?
necessárias para o bom andamento
do projeto 3. Em caso negativo, quais
medidas podem ser adotadas
pelo fornecedor para aumentar
a diversidade considerando
disciplina profissional e
elementos sócio-demográficos,
mostrar ações para melhorar?
Diretiva 10 l Princípios
10a. Consultar uma grande variedade de fornecedores de soluções de IA.
- Universidades e ICTs, públicas e privadas, podem colaborar com o projeto aportando conhecimento
técnico, ainda escasso no setor público, na área de IA, e podem ter interesse de participar, isolada-
mente ou em consórcio com eventuais fornecedores, em uma encomenda tecnológica, por exemplo.
10b. Envolver os fornecedores desde o início do projeto e interagir com frequência, de modo
isonômico e impessoal, durante todo o processo de contratação.
- Realizar eventos presenciais ou virtuais logo no início da abertura do processo de contratação (“kick-
-off meeting”), com a participação de potenciais fornecedores, membros da comunidade científica
- A colaboração entre governo e indústria é vital para o sucesso da contratação pública de IA. O envolvi-
mento dos fornecedores na etapa de planejamento pode ajudar a determinar o objeto da contratação
e a viabilidade dos seus requisitos técnicos, aumentando a probabilidade de que o licitante vencedor
atenda às necessidades da Administração a um preço competitivo. A submissão do edital e de seus
anexos técnicos a consultas e audiências públicas pode render contribuições importantes para a
modelagem final do instrumento convocatório e o desdobramento da fase externa da contratação.
- Para mitigar riscos que possam estar associados à competitividade do procedimento, é importante
divulgar amplamente o edital e fixar prazo de apresentação de propostas suficiente para viabilizar a
participação de todos os potenciais interessados.
10c. Assegurar a interoperabilidade das soluções de IA, exigindo licenças abertas ou até
mesmo o uso de software livre como medidas para evitar a dependência tecnológica da
Administração a seus atuais fornecedores (lock-in).
- As estratégias para evitar o lock-in igualmente contribuem para aumentar a transparência e a explica-
bilidade dos algoritmos em uso no setor público. É o caso, por exemplo, da preferência por licenças
abertas e gratuitas, bem como o estímulo ao emprego de software livre, dados abertos e algoritmos
já postos em domínio público.
- Durante a implantação da solução de IA, é provável que os algoritmos sofram customizações ao longo
do tempo ou tenham o seu funcionamento substancialmente alterado em face do advento de novos
bancos de dados. O desenvolvimento de capacidades internas e formação de quadros qualificados
na Administração é essencial para evitar que os sistemas de IA contratados se tornem obsoletos,
garantindo a manutenção da solução de IA independentemente do seu fornecedor original.
No que se refere aos recursos humanos, foi identificada no HCFMUSP uma grande dispari-
dade. O hospital é formado por profissionais de diversas áreas e níveis de conhecimento, ora
com plena aptidão no registro e manejamento de dados, ora com pouca desenvoltura no uso
de ferramentas de TI. Além disso, ao mesmo tempo em que certos processos não tinham
acesso a mão-de-obra qualificada para sua execução, outros experimentavam duplicidade
de papéis, gerando dissonâncias na operação e impactos na qualidade dos dados utilizados.
Em seguida, foi criada uma equipe de Inteligência e Dados (ID) com o objetivo de gerar conhe-
cimento confiável e acessível, com base em evidências, para aprimorar o cuidado assistencial.
A implantação da PIH fez com que os gestores compreendessem a relevância da taxonomia
de dados e do registro de todas as etapas do processo assistencial, principalmente os eventos
críticos, facilitando a integração dos diversos bancos de dados.
Para tanto é que foi criada a PIH, mencionada em 4.2, acima. A implantação da plataforma foi
responsável pelo redesenho da estrutura e das metodologias de captura da informação, de
forma estruturada e padronizada. Ademais, a PIH viabilizou investimentos em infraestrutura
(como a aquisição de um banco de dados analítico, e.g.) e alocação de recursos humanos (mais
de 500 horas da equipe de TI para aprimorar a visualização e a integração de ferramentas e
plataformas, por exemplo.
Em 2020, o HCFMUSP construiu uma base de dados dedicada a COVID-19 e conduziu uma
ampla revisão de toda a modelagem da PIH, estimulando a adoção de ferramentas mais avan-
çadas de análise (analytics) para diminuir o tempo de resposta assistencial e a disponibilidade
de dados para pesquisas sobre a pandemia. Para tanto, o hospital planeja a criação de um
data lake que automatiza o processo de anonimização de dados pessoais sensíveis por meio
de um servidor HDFS (Hadoop Distributed File System) e uma chave de controle para a rastre-
abilidade dos profissionais ou entidades que solicitarem acesso, atendendo assim à LGPD.
Dados e tecnologia
Garantir conectividade; e dados interoperáveis e de qualidade
para alimentar a IA
Modelos de negócios
Assegurar a sustentabilidade através de financiamento inovador,
incentivos e parcerias público-privadas
No mais, como o HCFMUSP é também uma instituição de pesquisa, o uso de IA pode ser
uma oportunidade para avançar a sua produção científica. É o caso do emprego de imagens
clínicas para definição de risco cirúrgico, redução de ruído em imagens de ressonância mag-
nética ou até mesmo a criação de modelos de predição de tempo de uso de salas cirúrgicas,
por exemplo.
art. 11 da LGPD. Caso não seja possível obter o consentimento do titular, o tratamento pode
se fundar em outra base legal, como a “(...) realização de estudos por órgão de pesquisa,
garantida, sempre que possível, a anonimização dos dados pessoais sensíveis” (art. 11, II, “c”,
LGPD) ou a “(...) tutela da saúde, exclusivamente, em procedimento realizado por profissionais
de saúde, serviços de saúde ou autoridade sanitária” (art. 11, II, “f”, LGPD).
Vale lembrar que dados anonimizados - i.e. aqueles “relativos a titular de dados que não
possam ser identificados, considerando a utilização de meios técnicos razoáveis e dispo-
níveis na ocasião de seu tratamento” (art. 5º, III) - não são considerados dados pessoais e,
portanto, estão fora do âmbito de aplicação da LGPD. Para mitigar o risco de re-identificação
dos pacientes, o HCFMUSP busca seguir normas e boas práticas internacionais para evitar
a reversão de dados anonimizados, como o HIPAA (Health Insurance Portability and Accoun-
tability Act), dos EUA.
Por isso, o primeiro passo para realizar um projeto de IA no HCFMUSP consiste em iden-
tificar quais tipos de dados serão utilizados e entender se há real necessidade de uso de
dados não-anonimizados no projeto, o que aumenta os deveres e obrigações relacionados
ao atendimento da LGPD. Vale destacar, aqui, a problemática da gestão do consentimento
do titular, o qual pode revogar a sua autorização ou mesmo solicitar a eliminação de seus
dados pessoais, o que exige a realização de mudanças nos bancos de dados que alimentam
a solução de IA.
- Consciência institucional dos dados disponíveis: este ponto é frequentemente indicado como o
maior gargalo para o desenvolvimento interno de soluções de IA. Antes de começar a desenvolver
um projeto de IA ou planejar a contratação de uma solução, é importante realizar um mapeamento
dos bancos de dados disponíveis e dos possíveis gargalos à sua utilização;
- Foco no problema: é fundamental conhecer muito bem o que a instituição faz, qual o seu papel e
qual será a entrega final. O diagnóstico profundo do problema permite chegar a resultados mais
tangíveis e preparar as bases para o desenvolvimento de uma cultura de dados e de capacidades
institucionais de inovação no âmbito de cada órgão ou entidade.
Em condições normais, são transportados cerca de 3,7 milhões de passageiros por dia apenas
nas Linhas 1 (Azul), 2 (Verde) e 3 (Vermelha). A operação comercial ocorre entre 4h40 e 0h00,
restando apenas a madrugada para realizar manutenção em trens, vias e equipamentos. Isso
significa que, em média, são transportados dez milhões de passageiros por quilômetro - o que
torna a manutenção um aspecto crítico para o bom funcionamento do Metrô de São Paulo.
Por exemplo, entre 2016 e 2020, houve um total de 1.840 minutos de interferência em razão
de ruído anormal identificado pelos operadores de trem durante a passagem das composi-
ções nos trilhos. A receita cessante estimada com esta restrição nesses últimos quatro anos
é estimada em aproximadamente de 2 milhões de reais, prejudicando a mobilidade de apro-
ximadamente 460.000 passageiros. Por isso, o Metrô vem buscando alternativas para reduzir
o tempo gasto com manutenções, diminuindo as interferências em sua operação comercial.
O emprego de IA poderia ajudar o Metrô de São Paulo a otimizar essa tarefa, automatizando
parte do diagnóstico de falhas e intercorrências. A tecnologia reduziria a necessidade de
inspeção humana, economizando tempo e recursos atualmente destinados à inspeção das
vias. Além disso, o aprendizado de máquina tornaria possível o monitoramento dos trilhos
em tempo real a partir de imagens de alta definição, emitindo relatórios automatizados,
atendendo falhas urgentes e priorizando atividades de manutenção.
Atualmente, a inspeção geral das vias na rede metroviária é feita a cada três dias. Com o
desenvolvimento do Sistema de Monitoramento da Via Permanente (SMVP), a inspeção seria
realizada, em média, 13 vezes por dia em cada linha, aumentando a segurança no tráfego
de trens e reduzindo as interferências durante a operação comercial.
O SMVP busca transformar a maior parte da inspeção geral das vias em um processo
automatizado, eficiente, seguro e confiável. Além da economia significativa de recursos, o
sistema também deverá diminuir a substituição prematura dos componentes da via e do
material rodante (trens), gerando uma diminuição de vida útil que, em 2020, é estimada em
1,7 milhões de reais.
Em consulta ao Núcleo de Inovação e Tecnologia (NIT) do Metrô de São Paulo, foi identificada
a oportunidade de emprego da Encomenda Tecnológica (ETEC), modalidade especial de
contratação direta prevista na Lei de Inovação n° 10.973/2004 (art. 20), na Lei nº 8.666/1993
(art. 24, XXXI) e na Lei das Estatais (art. 29, XIV). Atendendo à Diretiva 1, a ETEC permite a
solução de problema técnico específico ou o desenvolvimento de produto, serviço ou processo
inovador envolvendo risco tecnológico, revelando-se uma alternativa para o caso do SMVP.
A elaboração do processo teve início com base no Toolkit do Marco Legal, Ciência, Tecnologia
e Inovação, elaborado pela Procuradoria Geral do Estado de São Paulo. O material reúne
orientações jurídicas, boas práticas e modelos de editais, contratos e outros documentos que
auxiliam e respaldam instituições públicas no emprego de instrumentos da Lei de Inovação,
como a Encomenda Tecnológica. Foi utilizada também a plataforma HUBTEC, desenvolvida e
mantida pelo IPEA (Instituto de Pesquisa Econômica Aplicada) e pela ABDI (Agência Brasileira
de Desenvolvimento Industrial), que oferece um amplo rol de materiais sobre ETEC.
Diante disso, o Metrô de São Paulo elaborou, com base nos estudos preliminares e no mapa
de riscos, um edital de chamamento público para obter a manifestação de interesse de
potenciais fornecedores interessados no desenvolvimento da encomenda.
Após a análise das manifestações de interesse, o Metrô de São Paulo avançará para a etapa
de negociação com potenciais parceiros, com o objetivo de definir o tipo de contrato e confir-
mar requisitos de habilitação (como qualificação técnica e regularidade fiscal), cronogramas
de implantação e a forma de pagamento. Prevê-se que cada um dos proponentes apresente
uma PoC (Prova de Conceito), que será avaliada com apoio do Comitê Técnico de Especia-
listas, observando os critérios de pontuação definidos no edital, para melhor definição do
escopo da solução desejada.
Por fim, será firmado contrato para o desenvolvimento final do SMVP e posterior implantação
nas três linhas do Metrô de São Paulo (1-Azul, 2-Verde e 3-Vermelha), celebrado diretamente
por dispensa de licitação, nos termos do art. 20 da Lei de Inovação, combinado com o artigo
29, XIV da Lei das Estatais. A tabela a seguir ilustra as principais etapas da implementação
do SMVP ao longo da execução contratual:
• Estudos Preliminares;
• Mapa de Riscos, incluindo a Avaliação de Impacto Algorítmico;
• Formação do Grupo de Trabalho da contratação e do grupo técnico de coordenação;
• Constituição do Comitê de Especialistas;
• Pareceres técnicos e jurídicos;
• Publicação do Edital de Chamamento Público;
• Recebimento das Manifestações de interesse;
• Negociação com potenciais contratados;
• Escolha do contratado;
• Ratificação da Dispensa de Licitação e celebração do contrato
No Brasil, ainda há carência de normas específicas acerca do tema, o que torna altamente
estratégica a institucionalização de procedimentos, fluxos e rotinas embasadas em experi-
ências concretas, que possam ser replicadas em outras instituições públicas, mesmo fora
do setor de transporte.
O contexto bastante diverso das contratações de inovação fez com que várias áreas tivessem
que ser mobilizadas para viabilizar a ETEC que, até então, era inédita no âmbito da Companhia.
Para tanto, além de atualizações nos regulamentos da empresa, foi necessária a elaboração
de novos modelos de documentos e a revisão dos fluxos de trabalho da Gerência de Contra-
tações e Compras e da Gerência Jurídica.
O C4IR Brasil ministrou uma oficina específica sobre contratações públicas de IA para capacitar
as equipes do Metrô de São Paulo, bem como outros participantes externos interessados.
A disposição da equipe em obter informações adicionais foi imprescindível para mobilizar
todas as frentes envolvidas no processo de contratação da ETEC.
A AIA permite:
Uma das avaliações frequentemente mencionadas pela literatura é o Algorithmic Impact Assessment
do governo do Canadá, que editou uma norma específica sobre o tema (Directive on Automated
Decision Making). O modelo canadense compreende a avaliação de diversos riscos, classifican-
do-os em quatro níveis (I a IV) conforme a pontuação obtida no questionário. A pontuação final é
computada pela subtração dos fatores de mitigação, como explicado abaixo.
Para o estudo de caso do Metrô de São Paulo, o C4IR Brasil elaborou uma avaliação de impacto
algorítmico com base no modelo canadense, haja vista a sua completude e elevado detalhamento.
O seu uso atende ao disposto na EBIA, tornando a AIA o veículo de uma comunicação transparente
entre a Administração, os fornecedores e a sociedade.
1. Detalhes do projeto
Nome do Projeto:
Entidade contratante:
Descrição:
4. Governança do projeto
5. Sobre o Sistema
a. Reconhecimento de imagens
e objetos: análise de grandes
conjuntos de dados para
automatizar reconhecimento,
classificação e contexto associados a
uma imagem ou objeto;
b. Análise de texto e fala: análise
de grandes conjuntos de dados
para reconhecer, processar e
marcar texto, fala, voz e fazer
recomendações com base na
marcação;
c. Avaliação de riscos: análise de
grandes conjuntos de dados para
identificar padrões e recomendar
0
5.1. Indique as principais características do condutas ou, em alguns casos,
realizar ações específicas; [não afeta a
sistema a ser desenvolvido:
pontuação]
d. Geração de conteúdo: análise
de grandes conjuntos de dados
para categorizar, processar,
classificar, personalizar e gerar
conteúdo específico para contextos
específicos;
e. Otimização de processos e
automação de fluxo de trabalho:
análise de grandes conjuntos de
dados para identificar anomalias e
padrões (clusters), bem como para
prever resultados ou formas de
otimizar e automatizar fluxos de
trabalho específicos
f. Outro (por favor, especifique):
10 Questão 4.2 com redação adaptada pelos autores ao contexto brasileiro, não constando do modelo de AIA originalmente
adotado pelo Canadá.
6. Sobre o Algoritmo
7. Sobre a Decisão
8. Avaliação de impactos
a. Reversíveis; a. +1
8.5. Os impactos decorrentes da decisão b. Provavelmente reversíveis; b. +2
automatizada serão reversíveis? c. Difíceis de reverter; c. +3
d. Permanentes. d. +4
a. +1
a. Pouco ou sem impacto;
b. +2
8.8. A decisão automatizada terá impactos b. Impactos moderados;
c. +3
sobre a saúde e o bem-estar da população? c. Alto impacto;
d. +4
d. Impacto muito alto;
9. Sobre os dados
A. Fontes de dados
Sim = 0
9.1.1 Se sim, o uso de dados pessoais será
Não= +4
limitado somente às finalidades do programa Sim, Não, ou Não se aplica
ou serviço? Não se
aplica =0
Sim = +2
9.1.2 O dado pessoal será utilizado pelo
Não= 0
sistema para tomada de decisões que afetam Sim, Não, ou Não se aplica
diretamente os mesmos indivíduos? Não se
aplica =0
B. Tipos de dados
10. Consultas
11 Questão 11.7 com redação adaptada pelos autores ao contexto brasileiro, não constando do modelo de AIA originalmente
adotado pelo Canadá.
12 Questão 12.17 com redação adaptada pelos autores ao contexto brasileiro, não constando do modelo de AIA originalmente
adotado pelo Canadá.
O valor atribuído a cada pergunta é ponderado com base no potencial de impacto bruto da temática
abordada e sua mitigação, assim contribuindo para a pontuação total. A pontuação do impacto
bruto mede os riscos da automação, enquanto a pontuação de mitigação mede como os riscos da
automação serão gerenciados
13 Questão 12.18 com redação adaptada pelos autores ao contexto brasileiro, não constando do modelo de AIA originalmente
adotado pelo Canadá.
Projeto
1. Descrição do Projeto
2. Impactos positivos 13 16
3. Perfil de risco
4. Governança do projeto
5. Sistema 1 0
6. Algoritmo 2 6
7. Decisão 1 6
8. Impacto 16 36
9. Dados 13 44
SUBTOTAL A (Pontuação
46 108
de Impacto Bruto)
10. Consultas 2 2
SUBTOTAL B
35 47
(Pontuação de Mitigação):
BEMQUERER, M. Alice,Monica, Adele, Sofia, Carina e Ágata:: o uso da inteligência artificial pelo
Tribunal de Contas da União. Controle Externo - Revista do Tribunal de Contas do Estado de
Goiás, v. 2, n. 3, 22 dez. 2020.
BRASIL. Estratégia Brasileira de Inteligência Artificial. Portaria MCTI no 4.617, 6 abr. 2021.
Disponível em: <https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/
inteligencia-artificial>. Acesso em: 23 fev. 2022
BRASIL. Estratégia de Governo Digital 2020-2022 — Português (Brasil). Decreto no 10.332, 29 abr.
2020. Disponível em: <https://www.gov.br/governodigital/pt-br/EGD2020>. Acesso em: 23 fev. 2022
BRAZ, F. A.; DA SILVA, N. C.; LIMA, J. A. S. Leveraging effectiveness and efficiency in Page Stream
Deep Segmentation. Engineering Applications of Artificial Intelligence, v. 105, out. 2021.
CABRAL, L; COZZI, G.; DENICOLO’, V.; SPAGNOLO, G.; ZANZA, M. “Procuring Innovations”. In: DIMITRI,
N.; PIGA, G.; SPAGNOLO, G. (Ed.). Handbook of procurement. Cambridge (UK): Cambridge University
Press, 2006. pp. 483-529.
CEWEB. Catálogo de Uso de Inteligência Artificial por Órgãos Governamentais. Disponível em:
<https://catalogoia.omeka.net/>. Acesso em: 23 fev. 2022.
DELOITTE. Surveillance and Predictive Policing Through AI. Disponível em: <https://www2.
deloitte.com/global/en/pages/public-sector/articles/urban-future-with-a-purpose/surveillance-
and-predictive-policing-through-ai.html>. Acesso em: 23 fev. 2022.
EDLER, J.; GEORGHIOU, L. “Public procurement and innovation – resurrecting the demand side”.
Research Policy. n. 36, 2007.
FONTES, C.; PERRONE, C. Ethics of surveillance: harnessing the use of live facial recognition
technologies in public spaces for law enforcement. [s.l.] echnical University of Munich Munich
Center for Technology in Society Institute for Ethics in Artificial Intelligence, dez. 2021. Disponível
em: <https://ieai.mcts.tum.de/wp-content/uploads/2021/12/ResearchBrief_December_Fontes-1.
pdf>. Acesso em: 23 fev. 2022.
GOMES, H. S. Como as robôs Alice, Sofia e Monica ajudam o TCU a caçar irregularidades em licitações
| Tecnologia | G1. Globo.com, 18 mar. 2018.
LANGEVIN, C. C. et al. The Future of AI in the Brazilian Judicial System. ITS-Rio, Columbia University,
maio 2020. Disponível em: <https://itsrio.org/wp-content/uploads/2020/06/SIPA-Capstone-The-
Future-of-AI-in-the-Brazilian-Judicial-System-1.pdf>. Acesso em: 23 fev. 2022.
LEMES, M. M.; LEMOS, A. N. L. E. O uso da inteligência artificial na saúde pela Administração Pública
brasileira. Cadernos Ibero-Americanos de Direito Sanitário, v. 9, n. 3, p. 166–182, 29 set. 2020.
MBAYO, H. Data and Power: AI and Development in the Global South. Disponível em: <https://
www.oxfordinsights.com/insights/2020/10/2/data-and-power-ai-and-development-in-the-global-
south>. Acesso em: 23 fev. 2022.
OPARA-MARTINS, J.; SAHANDI, R.; TIAN, F. Critical analysis of vendor lock-in and its impact on cloud
computing migration: a business perspective. Journal of Cloud Computing, v. 5, n. 1, p. 4, 15 abr. 2016.
REISMAN, D. et al. Algorithmic Impact Assessments: A Practical Framework for Public Agency
Accountability. [s.l.] AI Now Institute, abr. 2018. Disponível em: <https://ainowinstitute.org/
aiareport2018.pdf>. Acesso em: 23 fev. 2022.
RUBENSTEIN, D. S. Acquiring Ethical AI. Rochester, NY: Social Science Research Network, 1 nov.
2021. Disponível em: <https://papers.ssrn.com/abstract=3731106>. Acesso em: 23 fev. 2022.
RUDIN, C.; RADIN, J. Why Are We Using Black Box Models in AI When We Don’t Need To? A Lesson
From an Explainable AI Competition. Harvard Data Science Review, v. 1, n. 2, 22 nov. 2019.
SHEARER, E.; STIRLING, R.; PASQUARELLI, W. Government AI Readiness Index. Oxford Insights,
2020. Disponível em: <https://static1.squarespace.com/static/58b2e92c1e5b6c828058484e/t/5f
7747f29ca3c20ecb598f7c/1601653137399/AI+Readiness+Report.pdf>. Acesso em: 23 fev. 2022.
TRIBUNAL DE CONTAS DA UNIÃO (TCU). Manual de Gestão de Riscos do TCU. . [s.l.] TCU, 2020.
Disponível em: <https://portal.tcu.gov.br/planejamento-governanca-e-gestao/gestao-de-riscos/
manual-de-gestao-de-riscos/>. Acesso em: 23 fev. 2022
TRIBUNAL DE CONTAS DA UNIÃO (TCU). TCU lança edital inédito para contratação por Encomenda
Tecnológica | Portal TCU. Disponível em: <https://portal.tcu.gov.br/imprensa/noticias/tcu-lanca-
edital-inedito-para-contratacao-por-encomenda-tecnologica.htm>. Acesso em: 23 fev. 2022.
WORKING GROUP ON DIGITAL AND AI IN HEALTH. Reimagining Global Health through Artificial
Intelligence: The Roadmap to AI Maturity. [s.l.] Broadband Commission, Novartis Foundation,
set. 2020. Disponível em: <https://www.broadbandcommission.org/wp-content/uploads/2021/02/
WGAIinHealth_Report2020.pdf>. Acesso em: 23 fev. 2022.
WORLD ECONOMIC FORUM. AI Procurement in a Box: Case Study UK: Unlocking Public Sector
AI. [s.l.] WEF, 11 jun. 2020c. Disponível em: <https://www.weforum.org/reports/ai-procurement-
in-a-box/pilot-case-studies/>. Acesso em: 23 fev. 2022.
WORLD ECONOMIC FORUM. AI Procurement in a Box: Overview: Unlocking Public Sector AI. [s.l.]
WEF, 11 jun. 2020e. Disponível em: <https://www.weforum.org/reports/ai-procurement-in-a-box/>.
Acesso em: 23 fev. 2022.
WORLD ECONOMIC FORUM. AI Procurement in a Box: Workbook: Unlocking Public Sector AI. [s.l.]
WEF, 11 jun. 2020f. Disponível em: <https://www.weforum.org/reports/ai-procurement-in-a-box/
workbook/>. Acesso em: 23 fev. 2022.
Guia de Contratações Públicas de Inteligência Artificial | 88
Bibliografia
Abastecido por inteligência artificial, chatbot em sites do governo responderá dúvidas sobre
coronavírus. Disponível em: <https://estado.rs.gov.br/abastecido-por-inteligencia-artificial-
chatbot-em-sites-do-governo-respondera-duvidas-sobre-coronavirus>. Acesso em: 23 fev. 2022.
DeepMind - What if solving one problem could unlock solutions to thousands more? Disponível
em: <https://deepmind.com/>. Acesso em: 23 fev. 2022.
Metrô é eleito o melhor serviço de transporte de São Paulo. Disponível em: <https://www.
saopaulo.sp.gov.br/ultimas-noticias/servicos/metro-foi-eleito-o-melhor-transporte-de-sp/>. Acesso
em: 23 fev. 2022.
O que muda com a LGPD — LGPD - Lei Geral de Proteção de Dados Pessoais | Serpro. Disponível
em: <https://www.serpro.gov.br/lgpd/menu/a-lgpd/o-que-muda-com-a-lgpd>. Acesso em: 23 fev.
2022.
This graphic compares the best public transportation systems around the world. Disponível em:
<https://www.businessinsider.com/best-public-transportation-systems-around-the-world-2015-8>.
Acesso em: 23 fev. 2022.
Uso de Inteligência Artificial em Exames de Imagem - Ideiagov, 1 jul. 2020. Disponível em: <https://
ideiagov.sp.gov.br/desafios/diagnostico-atraves-de-imagens-de-tomografia-computadorizada-e-
raio-x-de-torax/>. Acesso em: 23 fev. 2022
Eugenia Marolla
Ana Carolina da Motta Kohlitz
Subprocuradora Geral do Estado da
Líder de Políticas Públicas, AWS Brasil
Consultoria, Procuradoria Geral do Estado
de São Paulo
Ana Janaina Nelson
AWS Institute
Fabrício Braz
Professor Associado da Universidade de
Arby Ilgo Rech Filho
Brasília e Coordenador do AI Lab
Auditor Federal de Controle Externo e
Assessor de Ministro, Tribunal de Contas
da União Fabio Eon
Coordenador dos Programas de Ciências
Naturais e Ciências Humanas e Sociais da
Bianca Proença Bessa Dias
UNESCO no Brasil
Gerente do BNDES Garagem
Mario Canazza
Jefferson Lopes Denti
Lead, C4IR Network and Partnerships,
Partner, Deloitte Brazil World Economic Forum